一种农作物行的识别方法及装置的制造方法
【技术领域】
[0001] 本发明属于农作物栽培技术领域，尤其涉及一种基于图像处理的农作物行的识别 方法及装置。
【背景技术】
[0002] 我国幅员辽阔，地形、气候类型复杂多样，从南到北分为热带、亚热带、温带和寒 带，主要粮食作物有水稻、小麦、玉米、大豆等，经济作物有棉花、花生、油菜、甘蔗和甜菜等。 然而我国人口众多，耕地面积相对较少，因此农业特别是种植业在我国的地位非常重要，关 系整个国计民生。随着农业机械化和信息化的迅速发展，实现农业自动化的要求越来越迫 切。
[0003] 机器视觉配合大中型农业机械在农业领域的运用也越来越广泛，尤其是在视觉导 航和作物识别方面，准确性和费用都得到了较大的改善。因此在农作物的自动除草、收获、 施肥、修剪、耕耘等工作中，基于图像处理进行农作物行的识别显得尤为重要。
[0004] 现有的农作物行的识别方法主要是利用超绿法、最大类间方差法分割图像，通过 Hough变换识别农作物行。但是这些方法图像分割不准确，不能很好的区分农作物和杂草， 而且计算量大，达不到实时性的要求。尤其在农作物中有大量杂草存在的情况下，不能得到 理想的结果。
【发明内容】
[0005] 本发明的目的是提供一种农作物行的识别方法及装置，以避免现有技术图像分割 不准确，识别效率不高的技术问题。
[0006] 为了实现上述目的，本发明技术方案如下：
[0007] -种农作物行的识别方法，所述识别方法包括：
[0008] 通过模糊聚类方法将采集的农作物图像转化为二值图像；
[0009] 从获取的二值图像中提取感兴趣的区域ROI图像，通过横条法获取其中农作物特 征点；
[0010] 对所提取的农作物特征点进行线性回归，拟合出农作物行直线方程；
[0011] 通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正。
[0012] 优选地，所述通过模糊聚类方法将采集的农作物图像转化为二值图像，是以采集 的农作物图像作为整个样本，以像素点G通道的值所占的百分比作为样本元素，将农作物 和背景的聚类中心分别初始化为0. 35~0. 40和0. 30~0. 35进行模糊聚类得到。
[0013] 本发明以农作物图像作为整个样本，可以直接以农作物图像像素点的像素 R\G\B 三通道的值作为样本元素来进行模糊聚类。但是优选地，是采用像素点G通道的值所占的 百分比作为样本元素，从而降低了聚类的维数，将农作物和背景的聚类中心分别初始化为 0. 35~0. 40和0. 30~0. 35进行模糊聚类得到二值图像，提高了聚类速度。
[0014] 进一步地，所述采集的农作物图像的宽为W像素，高为H像素，所述ROI图像的宽 为W = W/2像素，宽为h = H/2,所述通过横条法获取其中农作物特征点，包括：
[0015] 将ROI图像分为Q条宽度相同的横条，用Spiq表示第q条横条第p列中白色像素 出现的次数，其中P的取值从1到w，w为ROI图像的宽度像素；
[0016] 对于第q条横条，对应有阈值uq，阈值Uq为第q条横条中所有S _的均值；
[0017] 当Sp, q小于等于U q且S P+1, q大于U q时，认为进入农作物行，记录此时的列坐标为P i ;
[0018] 当Sp,q大于等于Uq且S p+1,q小于Uq时，认为离开农作物行，记录此时的列坐标为P2;
[0019] 计算进入和离开农作物行时列数的差值Δ = P2-Pl，如果Δ大于设定的常数山则 认为横条q上从第pjl」P 2的段为农作物，并取该段中点为农作物特征点；
[0020] 遍历所有横条，获取ROI图像中所有的农作物特征点；
[0021] 其中，所述常数d的取值范围为：W/20〈d〈W/15。
[0022] 进一步地，所述对所提取的农作物特征点进行线性回归，拟合出农作物行直线方 程，包括：
[0023] 根据特征点的分布，将特征点划分为不同的农作物行；
[0024] 对于任一农作物行，设农作物行直线方程为：
[0025] y = kx+b
[0026] 其中b为斜距，k为斜率，计算属于该农作物行的所有特征点到该直线的距离1:
[0028] 进一步计算，属于该农作物行的所有特征点到该直线的距离平方和Γ :
[0030] 对上式的分子对k和b求偏导并令其为0,得到：
[0033] 其中M为属于该农作物行的所有特征点的数量，r属于1~M，第r个特征点的坐 标为（\，I)，L为第r个特征点与农作物行直线的距离，求解出上式中k和b的解分别为 I和L将其带入直线方程得到农作物直线方程为：+ ?。
[0034] 进一步地，所述通过多次线性回归的方法剔除错误的特征点，对农作物行直线方 程进行修正，包括：
[0035] 根据农作物行直线方程，计算属于该农作物行的特征点到该农作物行的距离，剔 除距离大于设定的常数的特征点；
[0036] 在剔除错误的特征点后，根据剩下的特征点再次拟合出农作物行直线方程，并再 次根据新拟合出的农作物行直线方程，计算特征点到该直线的距离，剔除距离大于设定的 常数的特征点；
[0037] 如此循环，直到达到最大线性回归次数，或当线性回归剔除的特征点数量为0时 迭代停止。
[0038] 本发明还提出了一种农作物行的识别装置，所述装置包括：
[0039] 模糊聚类模块，用于通过模糊聚类方法将采集的农作物图像转化为二值图像；
[0040] 特征点提取模块，用于从获取的二值图像中提取感兴趣的区域ROI图像，通过横 条法获取其中农作物特征点；
[0041] 拟合模块，用于对所提取的农作物特征点进行线性回归，拟合出农作物行直线方 程，并通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正。
[0042] 本发明提出的一种农作物行的识别方法及装置，通过模糊聚类对采集图像进行分 害J，利用横条法确定特征点，并利用特征点在X轴上的位置判断所属农作物行，利用线性回 归求出过渡农作物行，在通过多次线性回归剔除错误的特征点，得出最终的农作物行。本发 明识别农作物行准确度高，运行速度块，抗干扰能力强。
【附图说明】
[0043] 图1为本发明农作物行识别方法的流程图；
[0044] 图2为本发明实施例二值图像示意图；
[0045] 图3为本发明实施例ROI图像示意图；
[0046] 图4为本发明实施例ROI图像中特征点示意图。
【具体实施方式】
[0047] 下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成 对本发明的限定。
[0048] 本发明利的总体思路是用计算机视觉技术，对图像采集设备采集到的农作物行图 像进行分析处理，来识别作物行。本实施例以玉米幼苗为例来进行说明。
[0049] 如图1所示，一种农作物行的识别方法，包括如下步骤：
[0050] 步骤S1、通过模糊聚类方法将采集的农作物图像转化为二值图像。
[0051] 本实施例用X来表示所有样本，即采集的农作物图像的每个像素点的RBG通道的 值作为一个样本元素X 1，X1对应于一个像素点。将整个样本X分为农作物和背景两部分，所 以聚类数c = 2,即将图像中的像素点分为农作物和背景两类。
[0052] 用L表示X i属于第j类的隶属度，用V ,表示第j类的聚类中心，对样本X中的每 个^进行迭代，所有样本元素计算完成依次